Google 发布多语言视觉语言编码器家族 SigLIP 2

Google 发布 SigLIP 2 多语言视觉语言编码器家族，在 sigmoid 损失之上加入解码器、Global-Local 损失和 Masked Prediction 等训练目标。新模型在零样本分类、图文检索和为 VLM 提取视觉表征的迁移能力上全面超过旧版 SigLIP，并新增动态分辨率的 naflex 变体和 1B 参数的 Giant 系列，模型已在 Hugging Face 开放。